1、word全文可編輯:主成分分析SPSS操作方法09實驗指導之三主成分分析的SPSS操作方法以例12.1為例進行主成分分析操作。1.在 SPSS的數據編輯窗口（見圖 1）點擊 Analysize Data Reduction Factor，打開 Factor Analysis對話框如圖 2.圖1主成分分析操作將參與主成分分析的變量依次選入 Variables框中。例12.1中有9個參與 主成分分析的變量，故都選入變量框內。iFactcr AnalysisVariables：ZlOK1； JkCasteResetCancel一HrI(i町Value.1 DO元涼動1皿兀囿定 1叩疋資金 1呱無工業

2、 100元銷售Zscore： 1OO7LjH3EZbGUFC； Zocorc：ZsrnfR： Zscore:Zscore： Zscofe Zscore： Zscarc：穢兀回定資產鳳值買 後1DD元回定資產原值實 僉100元資金實現利脫（ 念1皿元工業總產值實現 元銷售收入實現和 Q每噸標準猱買現工業尸 念每千瓦時電力實現工 參全員勞劫生產率I元/ 後1DD元流動資金實現產Dtulpllves. I Exlrauliun.RotationSuureuOptionsSelectiurt Variable：圖 2 Factor Analysis 對話框2.單擊Descriptives按鈕，打開 D

3、escriptives 對話框如圖3所示。rflctn* AnA*y<K! De«criprtv廠 Significance levelsI- DeterminantL Reproduced Anti imaqc r KNO and Bartlen tesT al fiphericliyStatistics 欄，指定輸出的統計量。圖 3 Descriptives 對話框Un ivariate descriptives輸出每個變量的基本統計描述；（本例選擇）Ini tial soluti on輸出初始分析結果。輸出主成分變量的相關或協方差矩陣的對角元素。（本例選擇）Correla

4、tion Matrix欄指定輸出考察因子分析條件和方法。Coefficie nts 相關系數矩陣；（本例選擇）Significance levels相關系數假設檢驗的P值；Determi nant相關系數矩陣行列式的值；KMO and Bartlett ' s test of Sphericity KMO 和巴特利檢驗KMO值等于變量間單相關系數的平方和與單相關系數平方和加上偏相關系 數平方和之比，值越接近1,意味著變量間的相關性越強，越適合進行主成分 分析,KMO值越接近0,則變量間的相關性越弱越不適合進行主成分分析巴特利檢驗是關于研究的變量是否適合進行主成分分析的檢驗拒絕原假設意味

5、著適合進行主成分分析上表中顯然拒絕原假設（本例選擇）In verse相關系數矩陣的逆矩陣；Reproduced再生相關陣（因子分析）；An ti-image反映象相關矩陣。3.單擊Extraction 按鈕，打開Extraction 對話框選項，見圖4。圖4 Extraction 對話框Method欄，指定因子分析方法。點擊下拉菜單可以選擇需要的方法。Prin cipal compo nents主成分分析，系統默認；（本例選擇）Un weighted least square普通最小二乘法；Gen eralized least squares廣義最小二乘法Maximum likelihood最

6、大似然法Prin cipal Axis factori ng主軸因子法Alphaa因子提取法Image映像分析法Extract欄，決定提取因子的個數。Eige nvalue over 指定要提取因子的最小特征值，系統默認值1，也可以自定義特征值的數值。（本例選擇）Number of factors直接指定提取的因子個數。Display欄指定與初始因子有關的輸出項Un rotated factor solution顯示未旋轉的因子解。可以自定義特征值的數值。（本例選擇）Scree plot 顯示碎石圖，可用于決定因子的提取個數。（本例選擇）4. Rotation按鈕（在進行主成分分析時此項可省略

7、）。5. 單擊Scores按鈕，打開Scores對話框選項（見圖5）圖5Scores對話框Save as variables將主成分（因子）得分作為新變量保存在數據文件 中。（用默認的回歸方法，本例選擇）Method欄，指定計算因子值方法Regression回歸法（本例選擇）Bartlett巴特利特法An derso n-Rubin安德森一魯賓法Display factor Score Coefficient Matrix 輸出標準化的因子得分矩陣。（本例選擇）6.單擊Options按鈕，打開Options對話框選擇項，見圖6。圖6Options對話框Coefficient Display F

8、ormat欄，指定輸出其它因子結果及缺失值的處理 方式。本例不作選擇。Sorted by size從第一主成分開始，按降序輸出因子載荷矩陣。Suppress absolute Value less than:（）在框內輸入數值，表示輸出大于等 于這個值的載荷的變量。所有選擇完成后單擊OK得輸出結果。觀察輸出結果：Descriptive Statistics 基本統計描述MeanStd. DeviationAnalysis NZscore:(%)100元固定資產原值實現產值.00000001.0000000028Zscore:100元固定資產原值實現利稅.00000001.0000000028(

9、%)Zscore:100元資金實現利稅（%）.00000001.0000000028Zscore:100元工業總產值實現利稅.00000001.0000000028Zscore:100元銷售收入實現利稅.00000001.0000000028Zscore:每噸標準煤實現工業產值（元）.00000001.0000000028Zscore:每千瓦時電力實現工業產值.00000001.0000000028（元）Zscore:全員勞動生產率（元/人年）.00000001.0000000028Zscore:100元流動資金實現產值（元）.00000001.0000000028Correlation Ma

10、trix 相關矩陣Zscore100元固定 資產原 值實現 產值（%）Zscore100元固定 資產原 值實現 利稅（%）Zscore100元資金實現利稅（%）Zscore100元工業總產值 實現利 稅Zscore :100 元銷售 收入實現利稅Zscore :每 噸標準 煤實現 工業產值（元）Zscore每千瓦 時電力 實現工 業產值（元）Zscore:全員勞動生產率（元/人年）Zscore :100 元流動 資金實 現產值（元）Corr elatiZscore:100 元固定資產原值實1.000.869.770-.053.211.920.899.873.896on現產值（）Zscore:1

11、00 元固定資產原值實.8691.000.978.387.472.886.804.926.849現利稅（%）Zscore:100 元資金實現利稅.770.9781.000.523.531.797.736.881.811（%）Zscore:100 元工業總產值實現-.053.387.5231.000.323.115-.023.211.051利稅Zscore:100 元銷售收入實現利.211.472.531.3231.000.175.260.479.317稅Zscore: 每噸標準煤實現工業產.920.886.797.115.1751.000.877.881.768值（元）Zscore:每千瓦時電

12、力實現工 業產值（元）Zscore: 全員勞.899.804.736-.023.260.8771.000.834.818動生產率（元/人年）Zscore:100 元.873.926.881.211.479.881.8341.000.827流動資金實現產值（元）.896.849.811.051.317.768.818.8271.000a Determinant = 2.580E-08KMO和Bartlett 的檢驗取樣足夠度的 Kaiser-Meyer-Olkin度量。Bartlett的球形度檢驗近似卡方dfSig.754379.52236.000由上面的檢驗表得出，本例采用主成分是適合的F表是

13、主成分從每個原始變量中提取的信息量。公因子方差初始提取Zscore: 100 元固定資產原值實現產值（）1.000.967Zscore: 100元固定資產原值實現利稅（）1.000.978Zscore: 100 元資金實現利稅（%1.000.970Zscore: 100元工業總產值實現利稅1.000.799Zscore: 100元銷售收入實現利稅1.000.543Zscore:每噸標準煤實現工業產值（元）1.000.892Zscore:每千瓦時電力實現工業產值（元）1.000.879Zscore:全員勞動生產率（元/人年）1.000.763Zscore: 100 元流動資金實現產值（元）1.0

14、00.832提取方法：主成份分析解釋的總方差成份初始特征值提取平方和載入合計方差的%累積%合計方差的%累積%16.15068.33268.3326.15068.33268.33221.47316.36584.6981.47316.36584.6983.6977.74992.4474.3183.53195.9785.1902.11298.0906.1161.28999.3797.029.32499.7038.024.27099.9739.002.027100.000提取方法：主成份分析上表顯示各主成分解釋原始變量總方差的情況；SPSS默認保留特征根大于1的主成分，本例保留了兩個主成分，這兩個主成

15、分集中了原始變量的84.698%碎右圖碎石圖表現出從第三個主成分開始折線變得平坦， 這與提取兩個主成分相符。成份矩陣a（因子載荷矩陣）成份12Zscore: 100 元固定資產原值實現產值（）.931-.315Zscore: 100元固定資產原值實現利稅（%）.976.163Zscore: 100 元資金實現利稅（%.931.322Zscore: 100元工業總產值實現利稅.232.863Zscore: 100元銷售收入實現利稅.433.596Zscore:每噸標準煤實現工業產值（元）.923-.200Zscore:每千瓦時電力實現工業產值（元）.897-.274Zscore:全員勞動生產率（

16、元/人年）.871-.064Zscore: 100 元流動資金實現產值（元）.899-.154提取方法：主成分分析法。a.已提取了 2個成份。因子載荷矩陣中的元素表示的是（yk,Xj） 竺,當x為標準化數據時，有 ii T =1 ,所以可得到（yxj ,_iUn 0.931。由于入1=6.15 ,所以Uii=0.931/ ,6.15 ,由于Un為特征向量U1的第1個分量，所以從因子載荷矩陣中可 以求出主成分的特征向量。即用.1除因子載荷矩陣中第一列，得第一主成分的 特征向量，用2除因子載荷矩陣中第二列，就得到第二個主成分的特征向量。第一主成分的線性組合中除了 100元工業總產值實現利稅和100

17、元銷售收 入實現利稅外，其余變量的系數相當，所以我們可以解釋第一主成分可看成是的 綜合變量。第一主成分主要反映了工業生產中投入的資金、勞動力所產生的效果 ，它是“投入”與“產出”之比。占信息總量為 68.32 %。第二主成分是把工業生產中所得總量（即工業總產值和銷售收入）與局部量 （即利稅）進行比較，反映了“產出”對國家所做的貢獻。Compo nent Score Coefficie nt Matrix（主成分得分系數矩陣）成份得分系數矩陣成份12Zscore: 100 元固定資產原值實現產值（）.151-.214Zscore: 100元固定資產原值實現利稅（%）.159.111Zscore:

18、 100 元資金實現利稅（%.151.219Zscore: 100元工業總產值實現利稅.038.586Zscore: 100元銷售收入實現利稅.070.405Zscore:每噸標準煤實現工業產值（元）.150-.136Zscore:每千瓦時電力實現工業產值（元）.146-.186Zscore:全員勞動生產率（元/人年）.142-.043Zscore: 100 元流動資金實現產值（元）.146-.104提取方法：主成分分析法。主成分得分系數是標準化后的主成分 丫*,經變換后，主成分yi ，iy；，所以得到主成分得分的線性計算公式為:y10.375x10.394x20.375x30.094x40.175x50.372x60.362x70.351x8J0.363x9y20.259x10.134x20.265x30.711x40.491x50.165x60.225x70.052x80.127x9當然，也可以直接用標準化得分系數計算，SPSS提供了保存標準化主成分得分的功能。Comp onent Score Covaria nee Matrix（標準化主成分的協方差矩陣）Component1211.000.0002.0001.000Extraction Method: Principal Component Analysis.Rotation Me